用“Keras”11行代码构建CNN

从零开始,手把手教你使用Keras和TensorFlow构建自己的CNN模型 最近学习CNN,搭建CNN模型时看网上鱼龙混杂的博客走了不少歪路,决定自己来总结一下。 环境是Python 3.8.12 ,TensorFlow 2.3.0,Keras 2.4.3 阅读详情

摘要: 还在苦恼如何写自己的CNN网络?看更多深度文章,请关注:https://yq.aliyun.com/clou大神如何使用keras11行代码构建CNN网络,有源码提供。


我曾经演示过如何使用TensorFlow创建卷积神经网络(CNN)来对MNIST手写数字数据集进行分类。TensorFlow是一款精湛的工具,具有强大的功能和灵活性。然而,对于快速原型制作工作,可能显得有些麻烦。Keras是一个运行在TensorFlow或者Theano的更高级别的库,旨在流线化构建深度学习网络的过程。事实上,在上一篇TensorFlow教程中  ,TensorFlow大约需要42行完成的内容,在Keras中只需11行就可以完成类似的功能。接下来我将向你展示如何通过Keras做到这一点。

该Keras教程将向你展示如何使用MNIST数据集构建CNN并实现> 99%的准确性。它与我之前的卷积神经网络教程中构建的结构完全相同 ,下图显示了网络的架构:

686925deffd36e353234b696812797bd9429a56b

这个Keras教程的完整代码可以在这里找到。

Keras教程中的主要代码讲解:

下面的代码是在此Keras教程中使用的CNN结构的“胆量”

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
                 activation='relu',
                 input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

接下来我们一步一步的来解释:

Model  =  Sequential()

Keras中的模型可以有两种——序贯和通过API函数。对于构建的大多数深度学习网络,序贯模型是最常用的。它允许你从输入到输出整个过程都能轻松地堆叠网络层(甚至循环层)。而API函数可以帮助你构建更复杂的网络体系结构,本教程将不介绍它。

第一行将模型类型声明为Sequential()。

model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
                 activation='relu',
                 input_shape=input_shape))

接下来,我们添加一个2D卷积层来处理2D MNIST输入的图像。传递给Conv2D()  函数的第一个参数是输出通道的数量。这里我们设置为我们有32个输出通道,下一个输入是kernel_size,我们选择了一个5×5移动窗口,其次是x和y方向(1,1)的步态。接着,激活函数是整流线性单元,最后我们必须与输入层的大小提供模型。

还要注意,我们不必声明任何权重或偏差变量,Keras会帮助我们进行完成。

model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

接下来我们添加一个2D max pooling层。层的定义很简单。在这种情况下,我们只是简单地指定在x和y方向上的池的大小 和(2,2)的步。

model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

接下来,我们添加另一个卷积层+最大池化层,具有64个输出通道。在Keras中Conv2D()函数的参数默认的步伐是(1,1),在Keras 中默认步伐是使它等于池的大小。

该层的输入张量是(batch_size,28,28,32)28×28是图像的大小,32是来自上一层的输出通道数。但是,我们不必明确说明输入的形状是什么,Keras也能自动识别。这样可以快速组合网络架构,而不用担心网络周围张量的大小。

model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

现在我们已经在Keras中构建了卷积层,我们希望将这些输出平坦化,以完全进入我们的连接层。在TensorFlow中,我们为了平坦化必须弄清楚卷积层的输出张量的大小,还要明确我们的权重和偏差变量的大小。

接下来的两行声明了我们的完全连接层,使用Keras中的Dense()层。首先我们指定大小,根据我们的架构,我们指定了1000个节点,每个节点都是由ReLU功能激活。第二个是我们softmax分类或输出层,这是我们类数量的大小。就这样 - 我们已经成功地开发了CNN的架构,只有8行代码。现在让我们来训练模型并执行预测。

训练和评估卷积神经网络

我们已经开发了Keras的CNN架构,但是我们还没有指定损失函数,或者告诉框架使用哪种类型的优化器(即梯度下降,Adam optimiser等)。在Keras中,这些可以在一个命令中执行:

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01),
              metrics=['accuracy'])

Keras提供了许多损失函数(或者你可以建立自己的),这里可以看到的keras所有的损失函数。我们将使用标准交叉熵来进行分类(keras.losses.categorical_crossentropy)。Keras还提供了许多优化器,可以在这里看到。在这种情况下,我们使用Adam优化器(keras.optimizers.Adam)。最后,我们可以在模型上运行evaluate()时计算的度量。

接下来,我们要训练我们的模型。这可以通过在Keras中再次运行下面这个命令来完成:

 

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test),
          callbacks=[history])

 

该命令看起来类似于非常受欢迎的Python机器学习库中scikit learn 使用的语法。我们首先传递我们的所有训练的数据,x_train和y_train,下一个参数是批量大小,我们不必在Keras训练期间明确我们数据的批量处理,而是指定批量大小。在这种情况下,我们使用的批量大小为128。接下来我们设置训练周期(在这种情况下为10)。详细标志在此处设置为1,指定设定是否要在控制台中打印详细信息以了解训练进度。

3328/60000 [>.............................] - ETA: 87s - loss: 0.2180 - acc: 0.9336
3456/60000 [>.............................] - ETA: 87s - loss: 0.2158 - acc: 0.9349
3584/60000 [>.............................] - ETA: 87s - loss: 0.2145 - acc: 0.9350
3712/60000 [>.............................] - ETA: 86s - loss: 0.2150 - acc: 0.9348

最后,我们将验证或测试数据传递给拟合函数,因此Keras知道在模型上运行evaluate()时,会测量指标的数据。

一旦模型被训练,我们可以评估它并打印结果:

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

 

在上述模型培训10个周期之后,我们实现了99.2%的准确度,你可以看到每个周期的准确性的改善如下图所示:

faa312dce82274d3fb900c0dbf3bbb62895fed2f

Kersa让事情很更加简单了,你不觉得吗?我希望这个Keras教程已经展示了它如何成为深度学习解决方案的有用框架。

作为一种附录,我会告诉你如何跟踪我们通过训练时期的准确性,这使我能够生成上面的图表。

在Keras中记录网络性能

Keras有一个实用的程序,名为“回调”,可用于跟踪训练期间的各种变量。你还可以使用它来创建检查点,将模型在训练的不同阶段进行保存,以帮助你避免工作结果丢失。整个结果会被传递到.fit()函数,如上所述。我会向你显示一个相当简单的用例,其中记录了准确性。

要创建一个回调,我们创建一个继承的类,它继承自keras.callbacks.Callback:

class AccuracyHistory(keras.callbacks.Callback):
    def   on_train_begin(self, logs={}):
        self.acc = []
    def  on_epoch_end(self, batch, logs={}):
        self.acc.append(logs.get('acc'))

上面代码继承的Callback超类有一些可以在我们的回调定义中覆盖的方法,例如  on_train_begin,on_epoch_end,on_batch_begin和on_batch_end。这些方法的名称就是代表了训练过程中我们可以“做事情”的时刻。在上面的代码中,在训练开始时,我们初始化一个列表self.acc = []来存储我们的精度结果。使用on_epoch_end ()方法,我们可以从日志中提取我们想要的变量,这是一个字典,默认情况下保留了训练过程中的丢失和准确性。然后我们实例化这样的回调:

history = AccuracyHistory()

现在我们可以使用回调参数名将历史记录传递给.fit()函数。请注意,.fit()需要一个回调参数的列表,所以你必须传递这样的历史:[history]。要访问我们在训练完成后创建的准确性列表,你可以简单地调用history.acc:

plt.plot(range(1,11), history.acc)
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.show()

本文由@阿里云云栖社区组织翻译。

文章原标题《Keras tutorial – build a convolutional neural network in 11 lines》

作者:Andy 译者:袁虎 审阅:

【视频讲解】卷积神经网络CNN肿瘤图像识别3实例附代码数据 全文链接:https://tecdat.cn/?p=36417分析师:Ziyi Huang本研究探讨了卷积神经网络(CNN)在肿瘤识别领域的应用,特别是利用VGG16模型进行图像分类的性能。通过对肿瘤图像数据集的预处理、数据分割、模型构建、训练及评估,我们对比了普通CNN与VGG16在肿瘤识别任务上的表现(点击文末“阅读原文”获取完整代码数据)。视频本文将通过视频讲解,展示如何用卷积神经网络CNN... 阅读详情

相关推荐

使用TensorFlow和Keras构建卷积神经网络:图像分类实战指南

使用TensorFlow和Keras构建卷积神经网络:图像分类实战指南一、前言:为什么选择CNN进行图像分类?在人工智能领域,图像分类是计算机视觉的基础任务。传统的机器学习方法需要人工设计特征提取器,而深度学习通过卷积神经网络(CNN)实现了端到端的学习。CNN能够自动从原始像素中提取多层次特征,这种特性使其在图像处理任务中表现出色。对于初学者来说,CNN可能听起来复杂,但其实它的核心思想非常直观。

IT深耕十余载,大道之简 1036

介绍一下如何用一维卷积来做序列模型,基于Keras的详细代码解析

点击上方“AI公园”,关注公众号,选择加“星标“或“置顶”作者:Nils Ackermann编译:ronghuaiyang导读许多文章关注二维卷积神经网络,主要是用于图像...

AI公园 3815

基于深度学习框架Keras的CNN分类Mnist

在阅读了wepon博客的这篇博文 DeepLearning tutorial(6)易用的深度学习框架Keras简介 后,对keras的认识帮助甚大,但是由于keras快速的更新后,有些代码已经不适合新的环境,就会出现运行错误,通过对keras官方文档的参考,修改了该代码,能得到原来的运行效果,供需要的博友学习,如有错误,恳求指出。 一、读取图片 #coding:utf-8 import o

lzhalan2016的博客 6458

keras学习之cnn

     今天重点理解了几篇介绍CNN的博文,跑了几个基于keras的cnn的代码样例,只能说实现了对CNN的初窥!      博文:http://blog.youkuaiyun.com/qq_25762497/article/details/51052861#t0 从这篇博文里面获取了计算一个维度(宽或高)内一个输出单元里可以有几个隐藏单元的公式 博文:http://blog.youkuaiyun.com/u01264...

yibo492387的专栏 584

keras实现深度神经网络,keras实现卷积神经网络

事实上,Keras拥有不错的扩展性,这一方面是因为设计时就留好的接口,另一方面是因为清晰的代码结构,让你可以有很多自定义的空间。2、Numpy:是专门为Python中科学计算而设计的软件集合,它为Python中的n维数组和矩阵的操作提供了大量有用的功能。10、TensorFlow:是数据流图计算的开源库,旨在满足谷歌对训练神经网络的高需求,并且是基于神经网络的机器学习系统DistBelief的继任者,可以在大型数据集上快速训练神经网络。它设计用于快速简单的数据操作、聚合和可视化,是数据整理的完美工具。

aifans_bert的博客 1589

11 | Tensorflow实现卷积神经网络

卷积神经网络是一种特殊的多层神经网络,主要用于提取特征。CNN使用称为卷积和池化的两个操作将图像缩小为其基本特征,并使用这些特征适当地理解和分类图像。

微信号:RunsenLiu 9733

keras实现cnn模型代码

利用keras 实现cnn模型,关键在于: (1)原始数据的处理。(可输入的格式) (2)卷积层、池化层、全连接层的搭建 (3)各层对输入数据的size变化。 1.库的导入 np_utils库中的功能,应该就是对label进行one-hot处理一类的操作。 from models import Sequential 是keras搭建模型的一种框架,Sequential是一系列网络层按顺序构成的栈。 将一些网络层通过.add()堆叠起来,就构成了一个模型。 from models.layers import

Callmebig的博客 2182

时间序列预测14:如何开发用电量预测CNN模型详解 01 单变量多步时间序列预测

文章目录前言适用于多时间步预测的CNN模型1 单变量多步预测 CNN 模型1.1 业务需求1.2 1D CNN 模型1.3 完整代码 前言 与其他机器学习算法不同,卷积神经网络能够从序列数据中自动学习特征,支持多变量数据,并可直接输出用于多步预测的向量。一维CNN已被证明可以很好地执行,甚至在具有挑战性的序列预测问题上也能达到最新的结果。 计划用两篇文章介绍如何开发 1D CNN 进行多步时间序列预测。主要内容如下: 如何为单变量数据开发多步时间序列预测的CNN模型; 如何为多变量数据开发多通道多步时间序列预测的CNN模型; 如何为多变量数据开发多头多步时间序列预测的CNN模型。 本文介绍

CNN、RNN用于时间序列预测的代码接口和数据格式详解(pytorch)

网上对时序问题的代码详解很少,这里自己整理对CNN和RNN用于时序问题的代码部分记录,便于深入理解代码每步的操作。 一、1D-CNN 1. Conv1d的接口 class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) in_channels (int):输入通道数,在时间序列背景下即为输入序列的元数,或称为特征数。 out_channe

m0_37412775的博客 4905

STM32 使用IO口模拟I2C时序

上一篇《I2C协议详解》 我们了解了I2C的操作流程,这一篇,我们就使用I2C,来对EEPROM进行操作吧。 我们做两种选择: 1.时序由IO口模拟高低电平,需要了解协议并按照协议操作相应的IO口。 2.时序由硬件自行产生,不需要人工干预; 由硬件产生的I2C时序,我们借助Stm32Cube配置实现便可,我们这一篇,抛开Stm32Cube,手撕代码,根据I2C的时序,一步步地实现I2C对...

8937

ControlRig蓝图节点对应代码(自用)

用于通过python生成ControlRig蓝图节点,非完整

dicha9的博客 426

Keras用11行代码构建CNN

卷积神经网络(CNN)是一种特殊的深层的神经网络模型,为什么说它是特殊的神经网络模型呢?一是它的神经元间的连接是非全连接的,另一点是因为同一层中某些神经元之间的连接的权重是共享的。它的这些特点成功的降低了网络模型的复杂度以及减少了权值的数量,这也使得它的网络结构更类似于生物神经网络。今天我们就来用keras来实现CNN,keras是基于Theano和TensorFlow的深度学习库。 我曾经演示...

TURING.DT 967

麒麟V10 x86_64系统下Qt 5.12.7安装全攻略(附常见报错解决方案)

本文详细介绍了在麒麟V10 x86_64系统上安装Qt 5.12.7的完整流程,包括在线和离线两种安装方案,并提供了常见报错的解决方案。从环境准备到项目配置优化,再到高级调试技巧,全面覆盖Qt开发在国产操作系统上的实践要点,帮助开发者高效搭建开发环境。

weixin_29294395的博客 511

使用 TensorFlow 和 Keras 构建卷积神经网络进行熊猫图片分类

在本篇博客中,我将介绍如何使用 TensorFlow 和 Keras 构建一个卷积神经网络(CNN)模型,用于识别熊猫图片和非熊猫图片。我们将通过图像数据增强技术来扩展训练数据,并使用早停和模型检查点回调来优化模型的训练过程。数据集下载链接通过这次实践,我们学习了如何使用卷积神经网络进行图像分类,并通过数据增强技术增强了模型的泛化能力。我们还使用了早停和模型检查点功能,确保训练过程能够得到最优的模型。该模型可以用于解决其他类似的图像分类任务,只需根据实际需求调整数据集即可。

weixin_48839391的博客 1232

STM32F103C8T6最小系统板GPIO配置避坑指南:从原理图到流水灯一次成功

本文详细介绍了STM32F103C8T6最小系统板GPIO配置的实战指南,从硬件准备到流水灯实现,涵盖了九大关键步骤。特别针对新手常见问题,如GPIO配置、开发环境搭建和程序下载调试,提供了详细的解决方案和避坑技巧,帮助开发者快速掌握STM32开发基础。

weixin_33756596的博客 345

实战篇【2】-H3C防火墙开局基础配置

本篇文章为“H3C防火墙开局基础配置”,主要涵盖配置管理地址、聚合端口、安全区域、安全策略、静态路由、ACL,WEB和SSH远程管理、Console、SNMP、NTP时钟、日志主机等内容,对比交换机配置开局,增加两处配置,安全区域和安全策略。方便调试人员远程管理、调试。

weixin_47402139的博客 1万+

机器学习系列11-卷积神经网络CNN part1

Convolutional Neural network(part 1) CNN常常被用在影像处理上 Why CNN for Image? CNN V.s. DNN 我们当然可以用一般的neural network来做影像处理,不一定要用CNN,比如说,你想要做图像的分类,那你就去train一个neural network,它的input是一张图片,你就用里面的pixel来表示这张图片,也就是...

weixin_44406200的博客 6299

BQ25798双电源输入4节电池升降压充电与最大功率跟踪于光伏板应用

介绍一颗具有窄范围直流电压NVDC、路径管理PPMT、光伏板最大功率跟踪及反向放电OTG升降压充电控制器,带I2C接口能对内部寄存器做控制

linkedin_38804946的博客 1682

TensorFlow.Keras实现卷积神经网络CNN(超详细)

本指南将详细介绍使用TensorFlow.Keras开发卷积神经网络的完整流程,涵盖从数据准备到模型部署的全过程。我们将使用CIFAR-10开源数据集,这是一个包含10个类别的60,000张32x32彩色图像的数据集,非常适合验证CNN模型的性能。数据准备和探索 - 理解数据特征和分布模型架构设计 - 包含卷积层、池化层、全连接层的完整CNN高级技术应用 - 级联卷积、Dropout、批归一化等训练优化 - 早停、学习率调整、回调函数全面评估 - 多指标性能分析和可视化。

limenga102的专栏 645

Vivado FIR Complier_IP核使用方法

文章依靠该IP核对应手册PG149写的,因为笔者需求简单,没有深入挖掘功能,可以自行下载学习。

2302_80180551的博客 4001

XSS漏洞之PDF生成:从XSS到服务端任意文件读取

XSS是最为常见的Web漏洞之一,多年来连续入选OWASP TOP10,相信大家都耳熟能详。 它是一种代码注入类的攻击,是一种客户端侧的攻击,攻击者通过在Web应用中注入恶意JavaScript代码,通过点击URL,最终在受害者浏览器端执行的一种漏洞。主要有反射型XSS、存储型XSS、基于DOM的XSS三类。XSS一些比较常规的危害大概有:重定向浏览器、窃取Cookie、浏览器劫持等。本文章侧重于发现XSS后的进一步利用。 主要介绍在某次实际测试过程中,发现XSS漏洞之后,如何进一步的利用,最终通过XSS达

计算机毕业论文源码,学生个人网页制作html源码。贴近用户做网络推广和互联网优化。 3783

Keras.NET MNIST教程:用C构建CNN图像识别,3个epoch达到98%准确率

**Keras.NET** 是面向 C# 和 F# 开发者的高层神经网络 API,基于 Python 绑定并运行在 TensorFlow 之上。本教程带你用 C# 完成一个完整的 **CNN 手写数字识别** 项目:加载 MNIST 数据集、搭建卷积神经网络、训练并在 3 个 epoch 内达到 98% 准确率。无需 Python 背景,有 C# 基础即可上手 🚀 ## 一、为什么选择 Ker

gitblog_00356的博客 771

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

cnn 一维时序数据_时间序列中Keras中的一维卷积神经网络介绍

介绍许多文章专注于二维卷积神经网络。 它们特别用于图像识别问题。 一维CNN涵盖了一定范围,例如 用于自然语言处理(NLP)。 尽管我们可能会遇到其他机器学习问题,但很少有文章提供有关如何构造一维CNN的解释性演练。 本文试图弥补这一差距。何时应用一维CNN?CNN可以很好地识别数据中的简单模式,然后将其用于在更高层中形成更复杂的模式。 当我们希望从整体数据集的较短(定长)片段中获得有趣的特征,并...

weixin_39525097的博客 2303

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: tensorflow和kears的data_format数据格式问题详解
下一篇: Keras中Conv1D和Conv2D的区别
It_BeeCoder
博客等级 码龄10年 967粉丝 238原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值